論文の概要: QCM-SGM+: Improved Quantized Compressed Sensing With Score-Based
Generative Models for General Sensing Matrices
- arxiv url: http://arxiv.org/abs/2302.00919v1
- Date: Thu, 2 Feb 2023 07:36:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-03 14:55:44.715408
- Title: QCM-SGM+: Improved Quantized Compressed Sensing With Score-Based
Generative Models for General Sensing Matrices
- Title（参考訳）: QCM-SGM+:Score-based Generative Models for General Sensing Matricesによる量子圧縮センシングの改良
- Authors: Xiangming Meng and Yoshiyuki Kabashima
- Abstract要約: 我々はQCS-SGMを改良したQCS-SGM+を提案する。
鍵となる考え方は、確率スコアのベイズ推論の観点であり、確率スコアを概算するために期待伝搬アルゴリズムが提案される。
- 参考スコア（独自算出の注目度）: 6.066320781596792
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In realistic compressed sensing (CS) scenarios, the obtained measurements
usually have to be quantized to a finite number of bits before transmission
and/or storage, thus posing a challenge in recovery, especially for extremely
coarse quantization such as 1-bit sign measurements. Recently Meng & Kabashima
proposed an efficient quantized compressed sensing algorithm called QCS-SGM
using the score-based generative models as an implicit prior. Thanks to the
power of score-based generative models in capturing the rich structure of the
prior, QCS-SGM achieves remarkably better performances than previous quantized
CS methods. However, QCS-SGM is restricted to (approximately) row-orthogonal
sensing matrices since otherwise the likelihood score becomes intractable. To
address this challenging problem, in this paper we propose an improved version
of QCS-SGM, which we call QCS-SGM+, which also works well for general matrices.
The key idea is a Bayesian inference perspective of the likelihood score
computation, whereby an expectation propagation algorithm is proposed to
approximately compute the likelihood score. Experiments on a variety of
baseline datasets demonstrate that the proposed QCS-SGM+ outperforms QCS-SGM by
a large margin when sensing matrices are far from row-orthogonal.
- Abstract（参考訳）: 現実的な圧縮センシング(CS)のシナリオでは、得られた測定値は通常、送信や記憶の前に有限ビットに量子化されなければならないため、特に1ビットの符号測定のような非常に粗い量子化において、回復の困難が生じる。
近年、Meng & KabashimaはQCS-SGMと呼ばれる効率的な量子化圧縮センシングアルゴリズムを提案した。
QCS-SGMは、前者のリッチな構造を捉えるためのスコアベース生成モデルの力により、従来の量子化CS法よりも驚くほど優れた性能を達成する。
しかし、qcs-sgm は(ほぼ)行-orthogonal sensing matrices に制限される。
本稿では,QCS-SGMを改良したQCS-SGM+を提案する。
鍵となる考え方は、確率スコア計算のベイズ推論の観点であり、確率スコアを概算するために期待伝搬アルゴリズムが提案される。
各種ベースラインデータセットにおける実験により,提案するqcs-sgm+がqcs-sgmを大きなマージンで上回ることが示された。
関連論文リスト
- Memory-Augmented Hybrid Quantum Reservoir Computing [0.0]
本稿では、量子計測の古典的後処理を通じてメモリを実装するハイブリッド量子古典的アプローチを提案する。
我々は、完全に連結されたIsingモデルとRydberg原子配列の2つの物理プラットフォーム上でモデルをテストした。
論文 参考訳（メタデータ） (2024-09-15T22:44:09Z) - Scalable Multivariate Fronthaul Quantization for Cell-Free Massive MIMO [36.0373787740205]
この研究は、PCベースのセルフリーMIMOシステムのためのスケーラブルなMQ戦略を設計することを目的としている。
低フロントホール容量のシステムでは,アルファパラレルMQ (アルファ-PMQ) が成立し,その複雑性は各RUに対してのみ指数関数的に表される。
ハイフロントのキャパシティ・レシエーションのために、我々は、ニューラルネットワークベースのデコーダのための勾配ベースの更新でMQの網羅的なサーチを置き換える、Neural MQを導入する。
論文 参考訳（メタデータ） (2024-08-26T12:56:41Z) - High-rate discretely-modulated continuous-variable quantum key
distribution using quantum machine learning [4.236937886028215]
本稿では,量子機械学習技術を用いた離散変調連続可変量子鍵分布(DM CVQKD)の高速化手法を提案する。
低複雑さ量子k-アネレスト近傍(QkNN)は、ボブ側での離散変調コヒーレント状態(DMCS)の損失を予測するために設計されている。
シミュレーションにより,提案手法の秘密鍵レートは既存のDM CVQKDプロトコルよりも明らかに優れていることが示された。
論文 参考訳（メタデータ） (2023-08-07T04:00:13Z) - Quick Adaptive Ternary Segmentation: An Efficient Decoding Procedure For
Hidden Markov Models [70.26374282390401]
ノイズの多い観測から元の信号(すなわち隠れ鎖)を復号することは、ほぼすべてのHMMに基づくデータ分析の主要な目標の1つである。
本稿では,多対数計算複雑性において隠れた列を復号化するための分法であるQuick Adaptive Ternary(QATS)を提案する。
論文 参考訳（メタデータ） (2023-05-29T19:37:48Z) - Quantum Annealing for Single Image Super-Resolution [86.69338893753886]
単一画像超解像(SISR)問題を解くために,量子コンピューティングに基づくアルゴリズムを提案する。
提案したAQCアルゴリズムは、SISRの精度を維持しつつ、古典的なアナログよりも向上したスピードアップを実現する。
論文 参考訳（メタデータ） (2023-04-18T11:57:15Z) - CSMPQ:Class Separability Based Mixed-Precision Quantization [9.005098065862411]
CSMPQと呼ばれる新しい混合精度量子化法を提案する。
具体的には,階層的特徴写像のクラス分離性を測定するために,自然言語処理(NLP)で広く用いられているTF-IDFメトリックを導入する。
CSMPQは、反復的なプロセスがなければ、最先端の量子化法よりも優れた圧縮トレードオフを実現する。
論文 参考訳（メタデータ） (2022-12-20T12:52:19Z) - Quantized Compressed Sensing with Score-Based Generative Models [6.066320781596792]
我々は、SGM(QCS-SGM)を用いた量子化圧縮センシングと呼ばれる教師なしのデータ駆動方式を提案する。
提案したQCS-SGMは、分布内および分布外の両方において、既存の最先端アルゴリズムよりも大幅に優れている。
後部サンプリング法として、QCS-SGMは、再構成結果の信頼区間や不確実性推定を得るために容易に使用できる。
論文 参考訳（メタデータ） (2022-11-02T15:19:07Z) - Gradient-descent quantum process tomography by learning Kraus operators [63.69764116066747]
離散および連続変数の量子システムに対して量子プロセストモグラフィー(QPT)を行う。
我々は、クラウス作用素を得るために、最適化中にいわゆるスティーフェル多様体に対して制約付き勾配-退化(GD)アプローチを用いる。
GD-QPTは、2量子ランダムプロセスを持つベンチマークにおいて、圧縮センシング(CS)と投影最小二乗QPT(PLS)の両方のパフォーマンスと一致する。
論文 参考訳（メタデータ） (2022-08-01T12:48:48Z) - QSAN: A Near-term Achievable Quantum Self-Attention Network [73.15524926159702]
SAM(Self-Attention Mechanism)は機能の内部接続を捉えるのに長けている。
短期量子デバイスにおける画像分類タスクに対して,新しい量子自己注意ネットワーク(QSAN)を提案する。
論文 参考訳（メタデータ） (2022-07-14T12:22:51Z) - Faster One-Sample Stochastic Conditional Gradient Method for Composite
Convex Minimization [61.26619639722804]
滑らかで非滑らかな項の和として形成される凸有限サム目標を最小化するための条件勾配法(CGM)を提案する。
提案手法は, 平均勾配 (SAG) 推定器を備え, 1回に1回のサンプルしか必要としないが, より高度な分散低減技術と同等の高速収束速度を保証できる。
論文 参考訳（メタデータ） (2022-02-26T19:10:48Z) - Error mitigation and quantum-assisted simulation in the error corrected
regime [77.34726150561087]
量子コンピューティングの標準的なアプローチは、古典的にシミュレート可能なフォールトトレラントな演算セットを促進するという考え方に基づいている。
量子回路の古典的準確率シミュレーションをどのように促進するかを示す。
論文 参考訳（メタデータ） (2021-03-12T20:58:41Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。